CN108256516A - 一种区域车牌识别方法及系统 - Google Patents
一种区域车牌识别方法及系统 Download PDFInfo
- Publication number
- CN108256516A CN108256516A CN201711249191.5A CN201711249191A CN108256516A CN 108256516 A CN108256516 A CN 108256516A CN 201711249191 A CN201711249191 A CN 201711249191A CN 108256516 A CN108256516 A CN 108256516A
- Authority
- CN
- China
- Prior art keywords
- image
- license plate
- target vehicle
- interception
- provincial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
- G06F16/5838—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content using colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
- G06V30/14—Image acquisition
- G06V30/148—Segmentation of character regions
- G06V30/153—Segmentation of character regions using recognition of characters or words
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
Abstract
本发明提供一种区域车牌识别方法及系统。其方法包括:构建车牌区域特征数据库,区域特征数据库存储省级及地级市车牌的区域特征信息;获取目标车辆的车辆图像,从所述目标车辆图像中截取车牌图像,从所述车牌图像中截取区域特征图像;根据所述区域特征图像获取区域特征信息;计算所述目标车辆的区域特征图像信息与所述区域特征数据库存储的省级及地级市车牌的区域特征信息的相似度,将相似度最高的所述区域特征数据库中的区域特征信息作为结果输出。本发明能够满足交通管理时对区域车牌识别,将待识别车牌进行特征提取,与特征比对信息进行比对,从而识别出车牌区域,识别率高。
Description
技术领域
本发明主要涉及图像识别领域,具体涉及一种区域车牌识别方法及系统。
背景技术
近年来,随着国内生活水平不断的提高,私家车的数量在以指数的形式上涨,在这种情况下,智能交通油然而生。而随着GPU能力不断提高,使得人类在深度学方面有了更长足的进步,这也为智能交通系统应用提供了更有效更直接的方式。
在智能交通系统中,车辆的流向是重要的一部分,每逢节假日,私家车出行自驾游已成为多数家庭的理想之选,然而堵车,滞留也随之而来,这就是没有充分掌握各地区车子的流向。车牌所属地理区域识别就是利用各个省市的简称以及字母差异,从而能够掌握各个地区车子的流向,并在交通调度方面迅速做出反应,而目前还没有能够满足交通管理时对区域车牌识别的方案。
发明内容
本发明所要解决的技术问题是针对现有技术的不足,提供一种区域车牌识别方法及系统。
本发明解决上述技术问题的技术方案如下:一种区域车牌识别方法,包括如下步骤:
构建车牌区域特征数据库,所述区域特征数据库存储省级及地级市车牌的区域特征信息;
获取目标车辆的车辆图像,从所述目标车辆图像中截取车牌图像,从所述车牌图像中截取区域特征图像;
根据所述区域特征图像获取区域特征信息;
计算所述目标车辆的区域特征图像信息与所述区域特征数据库存储的省级及地级市车牌的区域特征信息的相似度,将相似度最高的所述区域特征数据库中的区域特征信息作为结果输出。
本发明的有益效果是:能够满足交通管理时对区域车牌识别,对车牌图像进行特征训练,得到用于比对车牌特征信息的多个特征比对信息,以备后续车牌所属地理区域识别时使用;将待识别车牌进行特征提取,与特征比对信息进行比对,得出相似度高的特征比对信息,从而识别出车牌区域,识别率高。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述构建车牌区域特征数据库包括:
截取省级及地级市区域对应的车牌图像,分别从各车牌图像中截取区域特征图像;
对各区域特征图像进行特征训练,得到所述省级及地级市区域车牌图像的区域特征信息;
根据所述区域特征信息构建车牌区域特征数据库。
进一步,所述获取目标车辆的车辆图像,从所述目标车辆图像中截取车牌图像,从所述车牌图像中截取区域特征图像,具体包括:
通过设置在道路处的图像采集设备采集目标车辆图像;
在所述目标车辆图像中定位车牌图像,并根据第一预设截取范围截取车牌图像;
在所述车牌图像中根据第二预设截取范围在车牌图像中截取区域特征图像。
进一步,所述从车牌图像中截取区域特征图像包括:
截取长度为以车牌图像最左边的边缘为起始线,向车牌图像最后一个字符的方向平移预设长度,所述预设长度小于所述车牌图像长度,截取宽度等于所述车牌图像的宽度,所述区域特征图像中包括目标车辆的车牌所属地简称和所属市区代表字母。
采用上述进一步方案的有益效果是:能够进一步精确识别范围,获得的待识别图像中仅包含所需的车牌所属地简称和所属市区代表字母信息,利于得到更准确的识别数据。
进一步,所述预设长度为0.3倍车牌图像长度。
采用上述进一步方案的有益效果是:能够将车牌含有的所属地简称和所属市区代表字母刚好截取出来,利于后续的特征提取,得到更准确的特征信息。
进一步,所述根据所述区域特征图像获取区域特征信息包括:
通过深度卷积神经网络对所述区域特征图像进行特征提取,得到所述区域特征图像的区域特征信息。
进一步,所述将目标车辆图像的所述特征信息与所述车牌区域特征数据库中的多个特征比对信息进行比对,具体包括:利用余弦相似度计算方法将目标车辆图像的所述特征信息与所述车牌区域特征数据库中的多个特征比对信息进行比对。
采用上述进一步方案的有益效果是:能够得到特征相似度分类,从而选择最高相似度值对应的特征比对信息作为输出结果,识别出车牌区域。
本发明解决上述技术问题的另一技术方案如下:一种区域车牌分类系统,包括:
数据库构建模块,用于构建车牌区域特征数据库,所述区域特征数据库存储省级及地级市车牌的区域特征信息;
截取模块,用于获取目标车辆的车辆图像,从所述目标车辆图像中截取车牌图像,从所述车牌图像中截取区域特征图像;
特征提取模块,用于根据所述区域特征图像获取区域特征信息;
比对模块,用于计算所述目标车辆的区域特征图像信息与所述区域特征数据库存储的省级及地级市车牌的区域特征信息的相似度,将相似度最高的所述区域特征数据库中的区域特征信息作为结果输出。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述截取模块具体用于:通过设置在道路处的图像采集设备采集目标车辆图像;在所述目标车辆图像中定位车牌图像,并根据第一预设截取范围截取车牌图像;在所述车牌图像中根据第二预设截取范围在车牌图像中截取区域特征图像。
进一步,所述截取模块还具体用于:截取长度为以车牌图像最左边的边缘为起始线,向车牌图像最后一个字符的方向平移预设长度,所述预设长度小于所述车牌图像长度,截取宽度等于所述车牌图像的宽度,所述区域特征图像中包括目标车辆的车牌所属地简称和所属市区代表字母。
采用上述进一步方案的有益效果是:能够进一步精确识别范围,获得的待识别图像中仅包含所需的车牌所属地简称和所属市区代表字母信息,利于得到更准确的识别数据。
进一步,所述特征提取模块具体用于:通过深度卷积神经网络对所述区域特征图像进行特征提取,得到所述区域特征图像的区域特征信息。
进一步,所述比对模块具体用于:利用余弦相似度计算方法将目标车辆图像的所述特征信息与所述车牌区域特征数据库中的多个特征比对信息进行比对。
附图说明
图1为本发明一实施例提供的区域车牌分类方法的方法流程图;
图2为本发明另一实施例提供的区域车牌分类系统的模块框图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
图1为本发明一实施例提供的区域车牌分类方法的方法流程图;
如图1所示,一种区域车牌识别方法,包括如下步骤:
步骤S1:构建车牌区域特征数据库,所述区域特征数据库存储省级及地级市车牌的区域特征信息;
步骤S2:获取目标车辆的车辆图像,从所述目标车辆图像中截取车牌图像,从所述车牌图像中截取区域特征图像;
步骤S3:根据所述区域特征图像获取区域特征信息;
步骤S4:计算所述目标车辆的区域特征图像信息与所述区域特征数据库存储的省级及地级市车牌的区域特征信息的相似度,将相似度最高的所述区域特征数据库中的区域特征信息作为结果输出。
具体的,通过EasyPR方法在目标车辆图像中定位出车牌,或者通过区域目标识别RGOR方法在目标车辆图像中定位出车牌。
具体的,所述区域特征数据库存储省级及地级市车牌的区域特征信息,具体包括全国34个省,333个地级市对应的车牌的区域特征信息。
具体的,所述构建车牌区域特征数据库包括:
截取省级及地级市区域对应的车牌图像,分别从各车牌图像中截取区域特征图像;
对各区域特征图像进行特征训练,得到所述省级及地级市区域车牌图像的区域特征信息;
根据所述区域特征信息构建车牌区域特征数据库。
上述实施例中,能够满足交通管理时对区域车牌识别,对车牌图像进行特征训练,得到用于比对车牌特征信息的多个用于比对的区域特征信息,以备后续车牌所属地理区域识别时使用;将待识别车牌进行特征提取,与特征比对信息进行比对,得出相似度高的区域特征信息,从而识别出车牌区域,识别率高。
可选的,作为本发明的一个实施例,所述获取目标车辆的车辆图像,从所述目标车辆图像中截取车牌图像,从所述车牌图像中截取区域特征图像,具体包括:
通过设置在道路处的图像采集设备采集目标车辆图像;
在所述目标车辆图像中定位车牌图像,并根据第一预设截取范围截取车牌图像;
在所述车牌图像中根据第二预设截取范围在车牌图像中截取区域特征图像。
具体的,所述从车牌图像中截取区域特征图像包括:
截取长度为以车牌图像最左边的边缘为起始线,向车牌图像最后一个字符的方向平移预设长度,所述预设长度小于所述车牌图像长度,截取宽度等于所述车牌图像的宽度,所述区域特征图像中包括目标车辆的车牌所属地简称和所属市区代表字母。
例如:获取第一预设截取范围的长度值a和宽度值b,并以所述第一预设截取范围最左边的边缘为起始线,向车牌最后一个字符的方向平移所述长度值a的x倍的长度,作为第二预设截取范围的长度值,且第一预设截取范围的长度值a大于第二预设截取范围的长度值,以所述第一预设截取范围的宽度值b作为第二预设截取范围的宽度值,根据确定出的第二预设截取范围在车牌图像中截取车牌区域特征图像,所述车牌区域特征图像中包括目标车辆图像的车牌所属地简称和所属市区代表字母的图像。
可选的,作为本发明的一个实施例,能够进一步精确识别范围,获得的待识别图像中仅包含所需的车牌所属地简称和所属市区代表字母信息,利于得到更准确的识别数据。
可选的,作为本发明的一个实施例,所述预设长度为0.3倍车牌图像长度。
上述实施例中,能够将车牌含有的所属地简称和所属市区代表字母刚好截取出来,利于后续的特征提取,得到更准确的特征信息。
具体的,所述对多个省级及地级市区域对应的车牌图像进行特征训练,得到所述多个省级及地级市区域车牌图像对应的区域特征信息,具体包括:通过深度卷积神经网络对多个省级及地级市区域对应的区域特征图像进行特征训练,得到所述多个省级及地级市区域车牌图像对应的区域特征信息;
具体的,所述对目标车辆图像的区域特征图像进行特征提取,得到所述区域特征图像的区域特征信息,具体包括;通过深度卷积神经网络对所述区域特征图像进行特征提取,得到目标车辆图像所述区域特征图像的区域特征信息。
具体的,所述深度卷积神经网络包括卷积层、池化层、softmax分类层和全连接层,所述各层之间通过神经元节点传输数据;
所述卷积层,用于通过卷积核对所述车牌区域特征图像进行卷积运算,并使用神经元激活函数计算卷积的输出值;
所述池化层,用于根据池化方法对所述卷积层的输出值进行下采样;
所述softmax分类层,用于将下采样后的输出值中的各特征类别进行分类;
所述全连接层,用于将各层之间的神经元节点进行连接。
上述实施例中,通过深度卷积神经网络进行训练和深度学习,能够得到车牌区域特征图像的特征信息。
具体的,所述卷积层,用于通过卷积核对所述车牌区域特征图像进行卷积运算,并使用神经元激活函数计算卷积的输出值,卷积运算表示为:
其中,xi为第i层输入图像,yj为第j层输出图像,ki,j为连接第i层输入图像与第j层输出图像的卷积核,bj为第j层输出图像的偏置,为卷积运算符,f(x)是神经元激活函数,利用ReLu非线性函数作为神经元激活函数f(x)=max(0,x),该函数加快深度网络的收敛速度,公式(1)中的卷积核ki,j与偏置bj为卷积网络的训练参数,通过大量的迭代训练得到较优取值;
所述池化层,用于根据如下公式对所述卷积层的输出值进行下采样,减小特征图尺寸,增强特征对旋转和形变的鲁棒性。常见的池化方法有平均池化与最大池化,其中最大池化可以表示为:
其中为池化层的第i层输出图在(j,k)位置的值,l为池化的步长,m为池化尺寸,目前,最大池化在许多应用中表现出良好的性能,本实施例中使用的池化操作均为最大池化,
所述全连接层为单层神经网络,其用于将上一层的任何一个神经元节点都与下一层的所有神经元节点连接;全连接层的参数由节点权重矩阵W、偏置b以及激活函数f构成。全连接层的运算可以表示为:
y=f(W·x+b) (3)
其中,x、y分别是为输入、输出数据,f是激活函数;
所述softmax层为分类器,连接最后一层全连接层,使用公式(4)计算得到每一类的概率输出。
其中,xi为softmax层第i个节点值,yi为第i个输出值,n为softmax层的节点个数。
上述实施例中,能够将车辆车牌根据不同区域进行分类,分类准确率达到了97.9%,从而更好的满足了智能交通对车辆流向的统计,使得智能交通系统更加的可靠。
可选的,作为本发明的一个实施例,所述将目标车辆图像的所述特征信息与所述车牌区域特征数据库中的多个特征比对信息进行比对,具体包括:利用余弦相似度计算方法将目标车辆图像的所述特征信息与所述车牌区域特征数据库中的多个特征比对信息进行比对。
能够得到特征相似度分类,从而选择最高相似度值对应的特征比对信息作为输出结果,识别出车牌区域。
图2为本发明另一实施例提供的区域车牌分类系统的模块框图;
如图2所示,可选的,作为本发明的另一个实施例,一种区域车牌分类系统,包括:
数据库构建模块,用于构建车牌区域特征数据库,所述区域特征数据库存储省级及地级市车牌的区域特征信息;
截取模块,用于获取目标车辆的车辆图像,从所述目标车辆图像中截取车牌图像,从所述车牌图像中截取区域特征图像;
特征提取模块,用于根据所述区域特征图像获取区域特征信息;
比对模块,用于计算所述目标车辆的区域特征图像信息与所述区域特征数据库存储的省级及地级市车牌的区域特征信息的相似度,将相似度最高的所述区域特征数据库中的区域特征信息作为结果输出。
可选的,作为本发明的一个实施例,所述截取模块具体用于:通过设置在道路处的图像采集设备采集目标车辆图像;在所述目标车辆图像中定位车牌图像,并根据第一预设截取范围截取车牌图像;在所述车牌图像中根据第二预设截取范围在车牌图像中截取区域特征图像。
可选的,作为本发明的一个实施例,所述截取模块还具体用于:截取长度为以车牌图像最左边的边缘为起始线,向车牌图像最后一个字符的方向平移预设长度,所述预设长度小于所述车牌图像长度,截取宽度等于所述车牌图像的宽度,所述区域特征图像中包括目标车辆的车牌所属地简称和所属市区代表字母。
上述实施例中,能够进一步精确识别范围,获得的待识别图像中仅包含所需的车牌所属地简称和所属市区代表字母信息,利于得到更准确的识别数据。
可选的,作为本发明的一个实施例,所述特征提取模块具体用于:通过深度卷积神经网络对所述区域特征图像进行特征提取,得到所述区域特征图像的区域特征信息。
可选的,作为本发明的一个实施例,所述比对模块具体用于:利用余弦相似度计算方法将目标车辆图像的所述特征信息与所述车牌区域特征数据库中的多个特征比对信息进行比对。
本发明能够满足交通管理时对区域车牌识别,对车牌图像进行特征训练,得到用于比对车牌特征信息的多个用于比对的区域特征信息,以备后续车牌所属地理区域识别时使用;将待识别车牌进行特征提取,与特征比对信息进行比对,得出相似度高的区域特征信息,从而识别出车牌区域,识别率高。
另外,本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本发明实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机物联网设备(可以是个人计算机,服务器,或者网络物联网设备等)执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种区域车牌识别方法,其特征在于,包括如下步骤:
构建车牌区域特征数据库,所述区域特征数据库存储省级及地级市车牌的区域特征信息;
获取目标车辆的车辆图像,从所述目标车辆图像中截取车牌图像,从所述车牌图像中截取区域特征图像;
根据所述区域特征图像获取区域特征信息;
计算所述目标车辆的区域特征图像信息与所述区域特征数据库存储的省级及地级市车牌的区域特征信息的相似度,将相似度最高的所述区域特征数据库中的区域特征信息作为结果输出。
2.根据权利要求1所述的区域车牌识别方法,其特征在于,所述构建车牌区域特征数据库包括:
截取省级及地级市区域对应的车牌图像,分别从各车牌图像中截取区域特征图像;
对各区域特征图像进行特征训练,得到所述省级及地级市区域车牌图像的区域特征信息;
根据所述区域特征信息构建车牌区域特征数据库。
3.根据权利要求1所述的区域车牌识别方法,其特征在于,所述获取目标车辆的车辆图像,从所述目标车辆图像中截取车牌图像,从所述车牌图像中截取区域特征图像,具体包括:
通过设置在道路处的图像采集设备采集目标车辆图像;
在所述目标车辆图像中定位车牌图像,并根据第一预设截取范围截取车牌图像;
在所述车牌图像中根据第二预设截取范围在车牌图像中截取区域特征图像。
4.根据权利要求3所述的区域车牌识别方法,其特征在于,所述从车牌图像中截取区域特征图像包括:
截取长度为以车牌图像最左边的边缘为起始线,向车牌图像最后一个字符的方向平移预设长度,所述预设长度小于所述车牌图像长度,截取宽度等于所述车牌图像的宽度,所述区域特征图像中包括目标车辆的车牌所属地简称和所属市区代表字母。
5.根据权利要求4所述的区域车牌识别方法,其特征在于,所述预设长度为0.3倍车牌图像长度。
6.根据权利要求1所述的区域车牌识别方法,其特征在于,所述根据所述区域特征图像获取区域特征信息包括:
通过深度卷积神经网络对所述区域特征图像进行特征提取,得到所述区域特征图像的区域特征信息。
7.根据权利要求1-6任一项所述的区域车牌识别方法,其特征在于,将目标车辆图像的所述特征信息与所述车牌区域特征数据库中的多个特征比对信息进行比对,具体包括:利用余弦相似度计算方法将目标车辆图像的所述特征信息与所述车牌区域特征数据库中的多个特征比对信息进行比对。
8.一种区域车牌识别系统,其特征在于,包括:
数据库构建模块,用于构建车牌区域特征数据库,所述区域特征数据库存储省级及地级市车牌的区域特征信息;
截取模块,用于获取目标车辆的车辆图像,从所述目标车辆图像中截取车牌图像,从所述车牌图像中截取区域特征图像;
特征提取模块,用于根据所述区域特征图像获取区域特征信息;
比对模块,用于计算所述目标车辆的区域特征图像信息与所述区域特征数据库存储的省级及地级市车牌的区域特征信息的相似度,将相似度最高的所述区域特征数据库中的区域特征信息作为结果输出。
9.根据权利要求8所述的区域车牌识别系统,其特征在于,所述截取模块具体用于:通过设置在道路处的图像采集设备采集目标车辆图像,在所述目标车辆图像中定位车牌图像,并根据第一预设截取范围截取车牌图像,在所述车牌图像中根据第二预设截取范围在车牌图像中截取区域特征图像。
10.根据权利要求9所述的区域车牌识别系统,其特征在于,所述截取模块还具体用于:截取长度为以车牌图像最左边的边缘为起始线,向车牌图像最后一个字符的方向平移预设长度,所述预设长度小于所述车牌图像长度,截取宽度等于所述车牌图像的宽度,所述区域特征图像中包括目标车辆的车牌所属地简称和所属市区代表字母。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711249191.5A CN108256516A (zh) | 2017-12-01 | 2017-12-01 | 一种区域车牌识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711249191.5A CN108256516A (zh) | 2017-12-01 | 2017-12-01 | 一种区域车牌识别方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108256516A true CN108256516A (zh) | 2018-07-06 |
Family
ID=62721675
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711249191.5A Pending CN108256516A (zh) | 2017-12-01 | 2017-12-01 | 一种区域车牌识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256516A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858339A (zh) * | 2018-12-22 | 2019-06-07 | 深圳市珍爱捷云信息技术有限公司 | 信息验证方法、装置、计算机设备及计算机可读存储介质 |
CN113012457A (zh) * | 2021-02-18 | 2021-06-22 | 湖南国科微电子股份有限公司 | 一种地下车库的导航停车方法、装置、设备及介质 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339601A (zh) * | 2008-08-15 | 2009-01-07 | 张擎宇 | 一种基于sift算法的车牌汉字识别方法 |
CN101604381A (zh) * | 2009-05-20 | 2009-12-16 | 电子科技大学 | 基于多分类支持向量机的车牌字符识别方法 |
CN102147858A (zh) * | 2011-03-31 | 2011-08-10 | 重庆大学 | 车牌字符识别方法 |
CN105631445A (zh) * | 2014-11-06 | 2016-06-01 | 通号通信信息集团有限公司 | 中文车牌字符识别方法及系统 |
CN105787479A (zh) * | 2016-02-19 | 2016-07-20 | 博康智能网络科技股份有限公司 | 基于字符笔画结构的车牌二值化以及车牌字符提取方法 |
CN106897677A (zh) * | 2017-02-06 | 2017-06-27 | 桂林电子科技大学 | 一种车辆特征分类检索系统和方法 |
CN106934396A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检索方法及系统 |
CN106980854A (zh) * | 2017-03-29 | 2017-07-25 | 珠海习悦信息技术有限公司 | 车牌号码识别方法、装置、存储介质及处理器 |
-
2017
- 2017-12-01 CN CN201711249191.5A patent/CN108256516A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101339601A (zh) * | 2008-08-15 | 2009-01-07 | 张擎宇 | 一种基于sift算法的车牌汉字识别方法 |
CN101604381A (zh) * | 2009-05-20 | 2009-12-16 | 电子科技大学 | 基于多分类支持向量机的车牌字符识别方法 |
CN102147858A (zh) * | 2011-03-31 | 2011-08-10 | 重庆大学 | 车牌字符识别方法 |
CN105631445A (zh) * | 2014-11-06 | 2016-06-01 | 通号通信信息集团有限公司 | 中文车牌字符识别方法及系统 |
CN105787479A (zh) * | 2016-02-19 | 2016-07-20 | 博康智能网络科技股份有限公司 | 基于字符笔画结构的车牌二值化以及车牌字符提取方法 |
CN106897677A (zh) * | 2017-02-06 | 2017-06-27 | 桂林电子科技大学 | 一种车辆特征分类检索系统和方法 |
CN106934396A (zh) * | 2017-03-09 | 2017-07-07 | 深圳市捷顺科技实业股份有限公司 | 一种车牌检索方法及系统 |
CN106980854A (zh) * | 2017-03-29 | 2017-07-25 | 珠海习悦信息技术有限公司 | 车牌号码识别方法、装置、存储介质及处理器 |
Non-Patent Citations (1)
Title |
---|
中华人民共和国公安部: "中华人民共和国机动车号牌", 《中华人民共和国公共安全行业标准GA 36-2014》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109858339A (zh) * | 2018-12-22 | 2019-06-07 | 深圳市珍爱捷云信息技术有限公司 | 信息验证方法、装置、计算机设备及计算机可读存储介质 |
CN109858339B (zh) * | 2018-12-22 | 2023-06-09 | 深圳市珍爱捷云信息技术有限公司 | 信息验证方法、装置、计算机设备及计算机可读存储介质 |
CN113012457A (zh) * | 2021-02-18 | 2021-06-22 | 湖南国科微电子股份有限公司 | 一种地下车库的导航停车方法、装置、设备及介质 |
CN113012457B (zh) * | 2021-02-18 | 2022-06-07 | 湖南国科微电子股份有限公司 | 一种地下车库的导航停车方法、装置、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Adaptive graph convolutional network with attention graph clustering for co-saliency detection | |
Zhang et al. | A spatial attentive and temporal dilated (SATD) GCN for skeleton‐based action recognition | |
CN111310773B (zh) | 一种高效的卷积神经网络的车牌定位方法 | |
CN103366602B (zh) | 从数字摄像头图像确定停车场占用情况的方法 | |
Yang et al. | Spatial pyramid co-occurrence for image classification | |
CN108427924A (zh) | 一种基于旋转敏感特征的文本回归检测方法 | |
Li et al. | A review on vision-based pedestrian detection in intelligent transportation systems | |
CN106557579A (zh) | 一种基于卷积神经网络的车辆型号检索系统及方法 | |
CN101859320A (zh) | 一种基于多特征签名的海量图像检索方法 | |
Li et al. | Pedestrian detection with dilated convolution, region proposal network and boosted decision trees | |
CN107767416A (zh) | 一种低分辨率图像中行人朝向的识别方法 | |
CN101996245A (zh) | 一种图形对象的形状特征描述与检索方法 | |
Zhang et al. | Attention-based neural network for traffic sign detection | |
Dey et al. | Turning video into traffic data–an application to urban intersection analysis using transfer learning | |
Wei et al. | Pedestrian detection in underground mines via parallel feature transfer network | |
Sharma et al. | Deep CNN-ELM hybrid models for fire detection in images | |
Lu et al. | Generalized haar filter-based object detection for car sharing services | |
Singh et al. | Semantically guided geo-location and modeling in urban environments | |
Li et al. | Object detection and tracking under Complex environment using deep learning‐based LPM | |
CN108256516A (zh) | 一种区域车牌识别方法及系统 | |
Hu et al. | A semantic-enhanced method based on deep SVDD for pixel-wise anomaly detection | |
Djenouri et al. | Deep learning based decomposition for visual navigation in industrial platforms | |
Surwase et al. | Multi-scale multi-stream deep network for car logo recognition | |
CN114005142A (zh) | 基于多尺度和注意特征聚合的行人重识别模型及识别方法 | |
Chen et al. | Multi-scale and multi-column convolutional neural network for crowd density estimation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |